HiSTGNN：用于天气预报的分层时空图神经网络
机器学习
2022-09-20 v2 人工智能
摘要
天气预报因其对人类生活的影响和大气运动的复杂性而成为一项引人关注且富有挑战的任务。在大量历史观测时间序列数据支持下，该任务适合数据驱动方法，尤其是深度神经网络。近来，基于图神经网络（GNNs）的方法在时空预测中取得了优异性能。然而，典型的基于 GNN 的方法仅单独建模每站气象变量的局部图或全站的整体图，缺乏不同站点间气象变量的信息交互。本文中，我们提出一种新颖的分层时空图神经网络（HiSTGNN）来建模多站点气象变量间的跨区域时空相关性。采用自适应图学习层和空间图卷积构建自学习图，并研究变量级和站点级图的节点间隐藏依赖。为捕捉时间模式，设计以膨胀 inception 作为门控时间卷积主干来建模长期且多样的气象趋势。此外，提出动态交互学习以在分层图中建立双向信息传递。在三个真实气象数据集上的实验结果证明了 HiSTGNN 优于 7 个基线，尤其相较最先进天气预报方法误差降低 4.2% 至 11.6%。
引用
@article{arxiv.2201.09101,
title = {HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather Forecasting},
author = {Minbo Ma and Peng Xie and Fei Teng and Tianrui Li and Bin Wang and Shenggong Ji and Junbo Zhang},
journal= {arXiv preprint arXiv:2201.09101},
year = {2022}
}
备注
Some sections will be modified because of some errors of the experiments and presents